卢生巧，黄中祥

(长沙理工大学 交通运输工程学院，湖南 长沙 410004)

交通流预测是城市智能交通系统(Intelligent Transport System,简称为ITS)的重要组成部分。精确的短时交通流预测，可为道路使用者提供实时的、有价值的参考信息，帮助其选择更优的出行路径，也可预测道路拥堵的地点和时间。运输从业者可以提前选择优化路径，减少道路拥堵[1]。短时交通流预测有助于ITS 的道路交通控制和交通诱导，提高道路安全性[2−3]。

目前，短时交通流预测方法有基于模型算法和数据驱动的方法。其中，基于模型算法包括：卡尔曼滤波器[4]、梯度增强树回归、时间序列的自回归统计及贝叶斯网络等经典的浅层学习算法。Hamed[5]等人利用Box-Jenkins 技术，建立ARIMA模型，实现了交通量的短期预测。张涛[6]等人应用基于K 近邻的非参数回归预测模型，利用K 值构造的预测区间，进行特殊路况的预测，获得了较高的预测精度。Hu[7]等人利用粒子群算法，优化支持向量机(Support Vector Machine，简称为SVR)参数，进行预测。

这些浅层结构的预测模型，处理小样本数据时，简单高效。处理大样本数据和复杂非线性函数时，存在局限性。深度学习和神经网络的组合不断应用于交通流短期预测的深层结构模型中，推动了基于数据驱动方法的神经网络和深度学习[8−9]等迅速发展，提供了更准确的交通流预测工具。其中，循环神经网络(Recurrent Neural Networks，简称为RNN)为变体的长短时记忆神经网络(Long Short-Term Memory，简称为LSTM)，可提取数据的长期依赖特征[10]。Polson[11]等人使用 Math Container 方法，结合tanh 层的深度学习模型，成功预测特殊条件下急剧变化的交通量。……